| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 现有算法存在的问题 | 第13-14页 |
| 1.3.1 基于内容的算法 | 第13页 |
| 1.3.2 协同过滤推荐算法 | 第13页 |
| 1.3.3 基于知识的算法 | 第13-14页 |
| 1.3.4 基于人口统计学的算法 | 第14页 |
| 1.3.5 混合推荐算法 | 第14页 |
| 1.4 论文研究内容 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-16页 |
| 第2章 卷积矩阵分解相关理论研究 | 第16-26页 |
| 2.1 协同过滤推荐算法 | 第16-19页 |
| 2.2 卷积神经网络 | 第19-22页 |
| 2.3 词向量相关研究 | 第22-23页 |
| 2.4 推荐系统评估方法 | 第23-25页 |
| 2.4.1 预测评分准确度的评估方法 | 第23-24页 |
| 2.4.2 分类准确度的评估方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 卷积矩阵分解的模型改进 | 第26-35页 |
| 3.1 引言 | 第26页 |
| 3.2 卷积矩阵分解算法模型 | 第26-30页 |
| 3.2.1 卷积矩阵分解模型构建 | 第27-28页 |
| 3.2.2 卷积神经网络模型架构 | 第28-30页 |
| 3.3 问题定义及改进措施 | 第30-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 预训练词向量及模型优化 | 第35-46页 |
| 4.1 引言 | 第35页 |
| 4.2 词向量 | 第35-36页 |
| 4.3 Word2vec词向量模型 | 第36-39页 |
| 4.3.1 Hierarchical Softmax优化 | 第38页 |
| 4.3.2 Negative Sampling优化 | 第38-39页 |
| 4.4 训练词向量 | 第39-41页 |
| 4.4.1 数据集预处理 | 第39-40页 |
| 4.4.2 词向量评估 | 第40-41页 |
| 4.5 模型训练方法的优化 | 第41-44页 |
| 4.5.1 卷积矩阵分解优化策略 | 第41-43页 |
| 4.5.2 卷积神经网络优化策略 | 第43-44页 |
| 4.5.3 模型复杂度分析 | 第44页 |
| 4.6 本章小结 | 第44-46页 |
| 第5章 实验及结果分析 | 第46-52页 |
| 5.1 实验环境及软件 | 第46页 |
| 5.1.1 实验环境 | 第46页 |
| 5.1.2 实验软件 | 第46页 |
| 5.2 推荐质量评价方法 | 第46-47页 |
| 5.3 实验数据 | 第47页 |
| 5.4 实验步骤 | 第47-48页 |
| 5.4.1 数据预处理 | 第47页 |
| 5.4.2 实验细节 | 第47-48页 |
| 5.4.3 实验参数选取 | 第48页 |
| 5.5 实验分析 | 第48-51页 |
| 5.5.1 三种算法在同一数据集上不同迭代次数的比较 | 第48-49页 |
| 5.5.2 三种算法在数据集不同比例上的对比 | 第49-50页 |
| 5.5.3 嵌入词向量对模型的影响 | 第50-51页 |
| 5.6 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59页 |
